Nvidia開源戰略升級：從「支持者」到「構建者」，計劃親自打造全球頂尖開源AI模型

英偉達正悄然完成一次戰略身份轉變，從開源AI生態的「支持者」升級為親身下場的「構建者」。

華爾街見聞提及，8月11日，據The Information報導，英偉達希望下一代Nemotron 4躋身全球最強開放模型之列。

參與專案的員工預計，最大版本至少擁有1萬億個總參數，約為6月發布的Nemotron 3 Ultra的兩倍。

模型的預訓練數據和架構已有初步決定，但最終規格、發佈時間尚未確定，最關鍵的一輪訓練也還沒有開始。所謂「萬億參數Nemotron 4」，目前仍是一項研發計畫，不能當作已經發佈的產品。

這場投入很容易被理解成英偉達也想成為OpenAI或者Anthropic，但實際上英偉達無須靠Nemotron的API收費收回成本。

只要免費模型讓更多企業、政府和創業公司開始訓練、微調和部署AI，英偉達便能在GPU、NVLink網路、整機系統、CUDA以及企業軟體上逐層收費。

Nemotron 4更像一台算力需求發生器：模型免費，使用模型所需的計算並不免費。

英偉達需要把買家從少數巨頭擴散到整個市場

眼下的GPU繁榮異常集中。

英偉達截至4月26日的10-Q顯示，三個直接客戶分別貢獻當季收入的21%、17%和16%，合計54%；公司還披露，一家AI研究與部署企業通過雲服務間接貢獻了「有意義的收入」。

這類直接客戶可能是整機商、分銷商或雲廠，不能簡單等同於三家最終用戶，但客戶集中風險已經寫在帳面上。

更麻煩的是，大客戶同時在造英偉達的替代品：

• 亞馬遜AWS用Trainium承接Anthropic的訓練和推理，官方稱已有接近100萬顆Trainium 2服務Claude；
• Google的Ironwood TPU面向大規模訓練和推理；
• AMD也用MI350和ROCm爭奪開放模型負載。

閉源模型把需求集中在幾家實驗室和雲平台，它們規模巨大、議價能力強，還有動力把成熟而穩定的工作負載遷往自研晶片。

對英偉達而言，最安全的市場形態並非某一家模型公司統治AI，而是成千上萬個互不相同的模型和應用同時生長。需求越分散，客戶越難用一款定制ASIC覆蓋所有架構；工作負載變化越快，通用GPU和CUDA成熟的軟體生態越佔便宜。

這也解釋了英偉達為什麼不能只在口頭上支持開放生態。一個遠落後於閉源模型的開放模型，只能吸引研究實驗，很難讓銀行、製造商、政府部門為生產集群開預算。

模型必須足夠強，強到企業願意用自己的數據繼續訓練，強到客戶願意把高頻工作流交給它，開放模型才會從開發者下載量變成機房裡的GPU利用率。

萬億參數的作用在這裡。它不是一枚證明智能水平的獎章，而是英偉達爭取跨過企業可用門檻的一種手段。

現有Nemotron 3 Ultra擁有5500億個總參數、每個token啟動550億參數，支援最長100萬token上下文。

英偉達公布的測試顯示，它在部分任務上接近其他頭部開放模型，推理吞吐量則明顯更高。但The Information援引第三方榜單稱，它仍落後於最強的中國開放模型，在全球綜合模型中也遠非第一梯隊。

所以，參數規模只能說明野心，不能代替成績。

稀疏MoE架構中，總參數與每次推理實際調用的參數相差很大，數據品質、訓練token、後訓練、工具調用能力和推理系統共同決定最終效果。

Nemotron 4若只有「1萬億」這個好看的數字，卻沒有進入真實任務的第一梯隊，它很難改變任何採購決定。

一款免費模型，可以賣出一整座AI工廠

英偉達已經把轉化路徑鋪好：

1. 開放的Nemotron提供模型權重、數據和訓練配方；
2. 企業用NeMo做繼續預訓練、微調、強化學習和評測；
3. 部署時再接入NIM推理微服務、TensorRT-LLM和CUDA；
4. 規模擴大後，算力落到DGX Cloud、公有雲GPU或者企業自建的HGX/DGX集群。
5. GPU之外，NVLink、InfiniBand或Spectrum-X網路、CPU、DPU和NVIDIA AI Enterprise訂閱也進入帳單。

這條路徑已經出現早期樣板。Palantir把Nemotron帶入美國政府的隔離網路，客戶可以在本地基礎設施上訓練、保留模型權重並持續迭代，生產部署由NVIDIA AI Enterprise支持。

日本市場則更接近「主權AI」模板：研究機構和企業用Nemotron數據及NeMo訓練日語模型，HGX B300承擔私有基礎設施，Jetson負責邊緣部署。

閉源API進不了隔離網路，也很難滿足數據駐留、模型所有權和本地審計要求。開放模型把這些原本不會發生在公共雲API上的負載帶進政府機房、企業數據中心、區域AI雲和邊緣設備。

對模型公司來說，這是一個較分散、較難收費的市場；對出售基礎設施的英偉達來說，每多一個部署地點，就多了一處硬體和軟體收入入口。

模型路由讓這盤生意更大。The Information報導英偉達在推出Nemotron 3.5 Lightning的同時，發佈了免費的模型路由軟體。路由器會把簡單任務交給便宜的小模型，把少數困難任務交給大模型。

表面看，它在幫助客戶少用昂貴算力；實際的賭注是，當單次任務成本降下來，企業會啟動更多常駐智能體，讓一次問答變成包含規劃、搜尋、工具調用、驗證和返工的連續流程。

Gartner預計，到2030年，萬億參數模型的推理成本會比2025年下降90%以上，但智能體每項任務消耗的token可能是普通聊天機器人的5至30倍；如果token用量增長快於單價下降，推理總支出仍會上升。

英偉達押注的並非「大模型越昂貴，GPU賣得越多」，而是「智能越便宜，使用量擴張得越快」。Nemotron同時覆蓋輕量模型、旗艦模型和路由工具，正是在主動製造這種價格下降後的需求彈性。

做模型也是為了把下一代晶片提前做對

Nemotron還有一層不直接體現在模型收入裡的價值：它是英偉達自己的全棧壓力測試。

晶片公司若只等客戶模型定型，再去適配新的注意力機制、MoE路由、長上下文和低精度格式，硬體迭代會永遠慢半拍。

親自訓練前沿模型，工程團隊能更早看到算力、顯存、互聯、數據吞吐和推理調度的瓶頸，再把這些發現寫進下一代GPU、NVLink和軟體庫。

Nemotron 3 Ultra已經帶有很強的「硬體共設計」痕跡：模型使用混合Mamba-Attention與MoE架構，預訓練採用為Blackwell設計的NVFP4格式，並通過多token預測提升生成速度。

英偉達稱，量化後的版本可以在4張B200上部署。這樣的模型既是產品，也是Blackwell低精度能力、顯存體系和推理軟體的演示負載。

開放之後，外部開發者又會替英偉達繼續優化這套負載。

新的模型架構先在CUDA、PyTorch、vLLM、SGLang和TensorRT-LLM上跑通，優化回流到英偉達平台，後來者面對的就不再是一顆GPU的性能差距，而是一套已經被數千個專案打磨過的生產環境。

英偉達今年展示的案例中，Blackwell運行DeepSeek V4的每token成本在一個月內最多下降到原來的五分之一；多項軟體優化疊加，吞吐量最高可提升20倍。